PyTorch Prerequisites – Syllabus for Neural Network Programming Series

PyTorch先决条件 – 神经网络编程系列教学大纲

每个人都在发生什么事？欢迎来到PyTorch神经网络编程系列。

在这篇文章中，我们将看看做好最佳准备所需的先决条件。 我们将对该系列进行概述，并对我们将要开展的项目进行预览。 这将使我们对我们将要学习什么以及在系列结束时我们将拥有哪些技能有一个很好的了解。 不用多说，让我们直接了解细节。

此系列需要两个主要先决条件：

1、编程经验
2、神经网络经验

让我们来看看对于这两个类别我们需要知道哪些东西：

编程经验

这个神经网络编程系列将专注于使用Python和PyTorch编程神经网络。

没有必要事先了解Python。 但是，理解编程通常是必需的。 任何编程经验或对变量，对象和循环等这些概念有些了解都足以学习本系列教程。

神经网络经验

在本系列中，我们将使用PyTorch，我们将会发现，pytorch是用python来写的，一个非常精简的深度学习神经网络API.

这意味着，从编程的角度来看，我们将非常接近于从头开始编程神经网络。 因此，了解神经网络和深度学习基础知识肯定是有益的。 这不是一项要求，而是推荐先去学习深度学习基础系列教程。

神经网络编程系列教学大纲

对于这个系列教程，共有两个部分。我们来看看每个部分的详细内容：

第一部分：pytorch和tensor

　　第一节：介绍pytorch

　　　　　　pytorch的先决条件：神经网络编程系列

　　　　　　pytorch用途：python深度学习神经网络API

　　　　　　pytorch的安装：快速简单

　　　　　　CUDA的用途：为什么深度学习需要使用GPU

　　第二节：介绍tensor

　　　　　　tensor的用途：深度学习的数据结构

　　　　　　维度、轴、形状解释-深度学习之张量

　　　　　　CNN的张量形状解释：CNN和特征图

　　第三节：pytorch之tensor

　　　　　　pytorch的tensor解释-神经网络编程

　　　　　　为深度学习创建pytorch tensor-最优的选择

　　第四节：tensor操作

　　　　　　展平、重塑、挤压解释-深度学习之tensor

　　　　　　CNN展平操作可视化-tensor批处理

　　　　　　深度学习的tensor-映射与元素操作

　　　　　　ArgMax and Reduction Ops – Tensors for Deep Learning

第二部分：pytorch之神经网络和深度学习

　　第一节：数据和数据处理

　　　　深度学习中数据的重要性-AI中流行的MNIST

　　　　提取、转化、加载-深度学习数据准备

　　　　pytorch的DataSethe DataLoader-探索训练集

　　第二节：神经网络和深度学习

　　　　使用pytorch搭建CNN-面向对象神经网络

　　　　pytorch CNN层-神经网络架构

　　　　pytorch实现CNN的前向传播

　　　　前向传播解释|向神经网络传递单张图像

　　　　神经网络批处理|传递批图像
　　　　卷积神经网络tensor转化

　　第三节：训练神经网络

　　　　使用pytorch训练卷积神经网络

　　　　用混淆矩阵分析神经网络的输出结果